基于马氏距离的局部边界Fisher分析降维算法

针对人脸识别应用中的高维数据图像以及欧氏距离不能准确体现样本间的相似度的问题,提出了一种基于马氏距离的局部边界Fisher分析(MLMFA)降维算法。该算法从现有的样本中学习得到一个马氏度量,然后在近邻选择以及新样本降维过程中用马氏距离作为相似性度量。同时,通过马氏度量构造出类内"相似"图和类间"代价"图来描述数据集的类内紧凑性和类间分离性。MLMFA很好地保持了数据集的局部结构。用YALE和FERET人脸库进行实验,MLMFA的最大识别率比传统基于欧氏距离算法的最大识别率平均分别提高了1.03%和6%。实验结果表明,算法MLMFA具有很好的分类和识别性能。

张量局部Fisher判别分析的人脸识别

子空间特征提取是人脸识别中的关键技术之一,结合局部Fisher判别分析技术和张量子空间分析技术的优点,本文提出了一种新的张量局部Fisher判别分析(Tensor local Fisher discriminant analysis,TLFDA)子空间降维技术.首先,通过对局部Fisher判别技术进行分析,调整了其类间散度目标泛函,使算法的识别性能更高且时间复杂度更低;其次,引入张量型降维技术对输入数据进行双边投影变换而非单边投影,获得了更高的数据压缩率;最后,采用迭代更新的方法计算最优的变换矩阵.通过ORL和PIE两个人脸库验证了所提算法的有效性.

基于矩阵指数变换的边界Fisher分析

边界Fisher分析是一种经典的有监督线性降维方法,被广泛用于高维数据的模式分类.由于边界Fisher分析算法中涉及到矩阵求逆的运算,在数值计算中会产生矩阵的奇异性问题,尤其当样本的个数小于样本的维数时,导致所谓的"小样本问题".采用主成分分析方法对样本数据进行预处理可以克服奇异性问题,然而可能会损失样本的某些判别信息.针对此不足之处,根据矩阵指数的非奇异性,对边界Fisher分析中的散度矩阵进行矩阵指数变换,从而克服了矩阵求逆中的奇异性问题.理论分析表明,该方法等价于零空间上的边界Fisher分析,有效利用了类内散度矩阵的零空间上的信息,因此其判别能力得到了增强.数据可视化和人脸识别实验表明,该方法可以有效挖掘样本中潜在的判别特性,提高分类性能.

基于正交半监督局部Fisher判别分析的故障诊断

针对有标记故障样本不足和故障特征集维数过高的问题,提出基于正交半监督局部Fisher判别分析(Orthogonal semi-supervised local Fisher discriminant analysis,OSELF)的故障诊断方法。所提出的OSELF能够充分地利用蕴含于无标记故障样本中的故障信息,避免了因有标记故障样本不足引起的过学习问题,同时采用正交迭代方式求解最优正交映射矩阵,克服现有方法无法得到正交映射矩阵的不足。正交映射矩阵的基矢量统计不相关,可有效地提高所得低维特征矢量的可辨识性。通过正交映射矩阵对故障样本集和新增样本进行维数约简,并将维数约简的结果输入粗糙优化k最近邻分类器(Coarse to fine k nearest neighbor classifier,CFKNNC)进行学习训练和故障识别。所提方法集成了OSELF在维数约简和CFKNNC在模式识别的优势,有效地提高了故障诊断的精度。通过齿轮箱故障模拟试验验证了该方法的有效性。

有监督不相关局部Fisher判别分析故障诊断

针对现有流形学习理论用于旋转机械故障诊断存在识别精度不高的问题,提出基于有监督不相关局部Fisher判别分析(Supervised Uncorrelated Local Fisher Discriminant Analysis,SULFDA)的新型故障诊断方法。首先构造全面表征不同故障特征的时频域特征集,再利用有监督不相关局部Fisher判别分析将高维时频域故障特征集化简为区分度更好的低维特征矢量,并输入到K-近邻分类器中进行故障模式辨识。有监督不相关局部Fisher判别分析在类标签指导下最小化同类流形的离散度并最大化异类流形的离散度来实现类判别,还施加了不相关约束条件使所提取的特征统计不相关,提高了针对旋转机械的故障诊断精度。深沟球轴承故障诊断实验验证了该方法的有效性。

面向转子故障诊断的核局部边界Fisher判别方法

提出一种基于核的局部边界Fisher判别(KLMFD)算法用核函数将故障特征数据映射到高维核空间,以每点与所有局部邻域点中最远同类数据点和最近异类数据点构成的点对来计算类内散度和类间散度,构建边界局部核Fisher判别函数,求出最优故障识别向量,然后利用该向量对测试特征数据进行故障诊断。转子故障诊断实验表明,对于多传感器振动特征融合信号,KMLFD算法的故障诊断效果最好,当选取合适参数时能完全识别故障类型。

半监督的稀疏保持二维边界Fisher分析降维算法

针对样本集中类别标签样本不足的问题,提出一种半监督的稀疏保持二维边界fisher分析降维算法.首先利用图像像素间的空间结构信息,基于图像矩阵进行降维;然后设计类内散度矩阵和类间散度矩阵,以保持样本间的类内紧凑性和类间分离性;最后通过稀疏保持对特征间的稀疏重构性加以约束,所获得的稀疏重构权重保持了局部几何结构,而且也包含了自然鉴别信息.在YALE,ORL和AR人脸数据库上的实验结果表明,该算法具有很好的分类和识别性能.

小波核局部Fisher判别分析的高光谱遥感影像特征提取

为了提高高光谱遥感影像的分类精度,充分利用影像的光谱和局部信息,文中提出小波核局部Fisher判别分析的高光谱遥感影像特征提取方法.通过小波核函数将数据集从低维原始空间映射至高维特征空间,考虑到数据的局部信息,利用加权矩阵计算散度矩阵,对局部Fisher判别准则函数求解最优特征矩阵,使不同类别的样本在高维特征空间中的可分离性更佳.在2个公开高光谱数据集上的实验表明,文中方法的总体分类精度和Kappa系数都有所提高.

船舶局部结构振动分析中边界条件的简化和修正方法研究

本文对船舶局部结构振动分析中边界条件的简化问题做了系统的分析研究,比较分析了各种不同边界处理方法对计算结果的影响,在此基础上提出了一种边界简化和修正的方法。通过算例分析表明,本文的边界简化和修正方法能更好地描述船舶局部结构的真实边界条件,而且在实际的工程分析中易于实现。

稀疏局部Fisher判别分析

提出一种稀疏局部Fisher判别分析(SparsityLocalFisherDiscriminantAnalysis,SLFDA)。该算法在局部Fisher判别分析降维的基础上,通过平衡参数引入稀疏保持投影,在投影降维过程中保持了数据的全局几何结构和局部近邻信息。在UCI数据集和YaleB人脸数据集上的实验表明,该算法融合局部Fisher判别分析和稀疏保持投影的优点;与现有的半监督局部Fisher判别分析降维算法相比,该算法提高了基于最短欧氏距离的分类算法的精度。

零空间边界Fisher分析法及其在人脸识别中的应用

边界Fisher分析(MFA)是一种有效的特征抽取方法,但在人脸识别的应用中会遭遇小样本问题。基于此,提出一种利用零空间法求解MFA优化准则的算法。该算法通过在MFA的类内散度矩阵的零空间中最大化MFA类间离散度得到最优投影向量,从而避免MFA方法所遇到的小样本问题,同时也保留了包含在类内散度矩阵零空间中的鉴别信息。在标准人脸库上的识别实验结果表明,该算法的识别率高于LDA和MFA,并且较容易选择其最优低维特征空间的维数。

基于正则化边界Fisher分析和稀疏表示分类的人脸识别方法

边界Fisher分析(MFA)应用于人脸识别时会遇到小样本问题,如果用主成分分析进行降维来处理该问题,则会丢失一些对分类有益的分量;如果把MFA的目标函数用最大间距准则代替,则较难得到最佳参数。提出了一种正则化的MFA方法,该方法用一个较小的数乘上单位阵构造正则项,然后加到MFA的类内散度矩阵中,使得所得矩阵是可逆的,并且不会丢失对分类有益的分量,也容易确定其中的参数。因为一个样本通常能被少数几个距离比较近的同类样本很好地线性表达,在正则化MFA降维之后结合使用稀疏表示分类算法进一步提高识别率。在FERET和AR数据库上的实验表明,对比一些经典的降维方法,使用该方法能显著提高识别率。

车床导轨局部变形的边界元分析研究

本文采用边界元方法分析车床导轨的局部变形及其规律，从而为机床导轨截面的几何设计提供了依据。这对提高机床加工精度和使用寿命，完善机床基础理论和设计方法都有一定意义。

考虑局部非热平衡的流体层流横掠多孔介质中等温平板的边界层分析

在考虑流体和多孔介质之间瞬时局部非热平衡的前提下,对流体强迫层流横掠多孔介质中等温平板的二维流动应用Brinkman-Forchheime-extended Darcy模型建立守恒方程组。对方程组进行数量级分析简化,应用积分法进行近似计算,得出了速度边界层厚度、热边界层厚度、壁面黏性摩擦系数和对流传热系数的计算公式。结果表明:在多孔介质中沿平板的速度边界层厚度与光板时明显不同,在平板前端迅速增长,随后逐渐变得平坦,趋于一个恒定值;而热边界层厚度则与光板时类似。

大间距无相关边界Fisher鉴别分析

针对边界Fisher鉴别分析方法存在的小样本问题以及所求出的鉴别矢量集缺少约束限制的缺陷,提出了一种大间距无相关边界Fisher鉴别分析方法。该方法采用最大化描述样本数据可分性和紧致性的矩阵之差作为目标函数,避免了边界Fisher鉴别分析的小样本问题;对于无相关鉴别矢量集的求解,给出了先构造无相关空间,再进行特征值分解的求解策略。仿真结果表明,该方法在识别性能上优于已有的边界Fisher鉴别分析及其改进方法,且避免了使用繁琐的迭代方法求解不相关鉴别矢量集,具有一定的实用价值。

基于零空间分析的张量局部Fisher判别方法

结合局部Fisher判别、张量子空间学习和零空间分析等技术的优点,提出了一种基于零空间分析的张量局部Fisher判别算法,其特点包括:i)引入类间判别信息,对局部Fisher判别技术进行调整,提升了算法识别性能并且降低了计算时间复杂度;ii)通过张量型降维思想对输入样本进行双边投影变换而非单边投影,获得了更高的信息压缩率;iii)随着训练样本量的变化,可采用基于零空间分析的求解方法和传统的直接迭代更新计算方法。通过ORL、Yale和ExYaleB 3个人脸数据库验证了所提算法的性能。

基于Fisher信息阵的局部影响分析

建立了参数空间中以Ｆｉｓｈｅｒ信息阵为Ｒｉｅｍａｎｎ度量的距离，应用到回归模型中，得到了观察数据的影响度量；讨论了方差扰动模型、固变量扰动模型以及自变量扰动模型的局部影响，求出了固变量扰动模型的最大曲率方向，以一个实例与从似然距离出发的局部影响作了比较，结果表明基于Ｆｉｓｈｅｒ信息阵的影响度量是合适的。

基于特征融合与核局部Fisher判别分析的行人重识别

行人重识别精度主要取决于特征描述和度量学习两个方面。在特征描述方面,现有特征难以解决行人图像视角变化的问题,因此考虑将颜色标签特征与颜色和纹理特征融合,并通过区域和块划分的方式提取直方图获得图像特征;在度量学习方面,传统的核局部Fisher判别分析度量学习方法对所有查询图像统一映射到相同的特征空间中,忽略了查询图像不同区域的重要性,为此在核局部Fisher判别分析的基础上对特征进行区域分组,采用查询自适应得分融合方法来描述图像不同区域的重要性,由此实现度量学习。在VIPeR和i LIDS数据集上,实验结果表明融合后的特征描述能力明显优于原始特征,同时改进的度量学习方法有效提高了行人重识别精度。

边界Fisher分析的一种改进

边界Fisher分析(MFA)是一种典型的监督子空间嵌入特征提取方法。该算法解决了由于线性判别分析高斯假设所引起的不足,通过最大化类内紧凑度和类间区分度来获取映射矩阵。该算法虽然相对与线性判别分析已经有了很大的提高,但是在算法执行过程中一个关键的部分,求取每一个样本点的近邻,MFA处理方法简单,求得结果并不能很好的表征近邻关系,所以针对此点进行改进,用一种比较好的方法代替该过程.通过在ORL,耶鲁样本上的人脸识别实验,验证了该方法非常有效,相对于原始的MFA算法又有了明显的提高。

图重构的边界Fisher分析

边界Fisher分析(MFA)是一种典型的监督子空间嵌入特征提取方法。该算法解决了由于线性判别分析高斯假设所引起的不足,通过最大化类内紧凑度和类间区分度来获取映射矩阵。该算法虽然相对与线性判别分析已经有了很大的提高,但是在算法执行过程中一个关键的部分,求取每一个样本点的近邻,MFA处理方法简单,求得结果并不能很好的表征近邻关系,所以针对此点进行改进,用一种比较好的方法代替该过程.通过在ORL,耶鲁样本上的人脸识别实验,验证了该方法非常有效,相对于原始的MFA算法又有了明显的提高。